第639章

    採用卷積網絡(convolutionalnetworks)；

    regularization(dropout)；

    rectifiedlinearunits；

    利用gpu獲得更強的計算能力等。

    深度學習的優點顯而易見:這是一種全新的編程方式，它不需要我們直接為要解決的問題設計算法和編程，而是針對訓練過程編程。

    網絡在訓練過程中就能自己學習到解決問題的正確方法，這使得我們可以用簡單的算法來解決複雜的問題，而且在很多領域勝過了傳統方法。

    而訓練數據在這個過程發揮了更重要的作用:簡單的算法加上覆雜的數據，可能遠勝於複雜的算法加上簡單的數據。

    深度網絡往往包含大量的參數，這從哲學原則上不符合奧卡姆剃刀原則，通常人們要在調整這些參數上面花費巨大的精力；

    訓練深度網絡需要大量的計算力和計算時間；

    過擬合(overfitting)問題始終伴隨著神經網絡的訓練過程，學習過慢的問題始終困擾著人們，這容易讓人們產生一種失控的恐懼，同時也對這項技術在一些重要場合的進一步應用製造了障礙。

    而betacat的故事，講的就是一個人工智能程序，通過自我學習，最終逐漸統治世界的故事。

    那麼，現在的人工智能技術的發展，會導致這種情況發生嗎？這恐怕還不太可能。一般人認為，大概有兩個重要因素:

    第一，現在的人工智能，它的自我學習還是限定在人們指定的方式，只能學習解決特定的問題，仍然不是通用的智能。

    第二，現在對於人工智能的訓練過程，需要人們為其輸入規整化的訓練數據，系統的輸入輸出仍然對於數據的格式要求很嚴格，這也意味著，即使把人工智能程序連到網上，它也不能像betacat那樣對於互聯網上海量的非結構化數據進行學習。

    然而這僅僅是對普通的人工智能，但是對起源這樣真正的網絡智能生命來說，以上兩點要求它完全都能夠做到。